تحليل بيانات رحلات الطيران وبناء نموذج تنبؤ بالأسعار | Python & Power BI

في هذا المشروع قمت بتحليل بيانات رحلات طيران لعدة مدن تشمل 6 شركات طيران مختلفة. البيانات تم الحصول عليها من Kaggle وتحتوي على ما يقارب 300,000 صف من البيانات، مما يجعلها Dataset كبيرة تتطلب معالجة دقيقة وتحليل احترافي. هدف المشروع كان: • تنظيف وتجهيز البيانات • تنفيذ تحليل استكشافي شامل (EDA) • تصميم Dashboard تفاعلية • بناء نموذج Machine Learning للتنبؤ بأسعار الرحلات مرحلة تنظيف البيانات و Preprocessing: تم تنفيذ مرحلة تنظيف احترافية باستخدام Python وتشمل: • حذف البيانات المكررة • معالجة القيم المفقودة • توحيد تنسيقات التواريخ والأوقات • التعامل مع المتغيرات الفئوية (Categorical Encoding) • التحقق من سلامة البيانات نظرًا لحجم البيانات الكبير (300 ألف صف)، كان التركيز على ضمان كفاءة المعالجة وصحة النتائج. التحليل الاستكشافي للبيانات (EDA): تم تنفيذ تحليل شامل باستخدام Python لاستخراج أنماط مهمة مثل: متوسط الأسعار بين الشركات المختلفة أكثر المدن نشاطًا في الرحلات العلاقة بين مدة الرحلة والسعر التحليل ساعد على فهم العوامل المؤثرة في تسعير الرحلات. لوحة تحكم تفاعلية – Power BI Dashboard: تم تصميم Dashboard رئيسية تفاعلية باستخدام Power BI تشمل: • تحليل كامل للرحلات والأسعار • فلاتر وسلايزر لتحديد المدينة أو شركة الطيران • أزرار تنقل (Buttons) لتجربة استخدام سهلة • مؤشرات رئيسية (KPIs) • رسوم بيانية احترافية لعرض الأنماط اللوحة مصممة لتكون سهلة الفهم لأي مستخدم غير تقني مع إمكانية استخراج البيانات بسرعة. نموذج Machine Learning للتنبؤ بالسعر: تم بناء نموذج تعلم آلي للتنبؤ بسعر الرحلة بناءً على عدة متغيرات مثل: شركة الطيران مدينة المغادرة والوصول مدة الرحلة وقت الحجز تم تنفيذ: تقسيم البيانات إلى Training و Testing تدريب النموذج تقييم الأداء وتحليل النتائج حقق النموذج دقة وصلت إلى 98% على بيانات الاختبار، مما يعكس قوة مرحلة التنظيف والمعالجة وجودة اختيار الخصائص (Features). الأدوات والتقنيات المستخدمة: Python Pandas & NumPy Matplotlib / Seaborn Scikit-Learn Power BI Feature Engineering